这项由上海人工智能实验室(SII)、上海交通大学(SJTU)和通用人工智能研究院(GAIR)联合完成的重磅研究发表于2026年的顶级学术期刊arXiv，论文编号为2603.27164v1。研究团队通过200多项精心设计的对照实验，首次系统性地揭开了大语言模型预训练的神秘面纱。他们的daVinci-LLM-3B模型仅使用30亿参数，却能在多项评测中与70亿参数的顶级模型平分秋色，堪称小体量模型的"逆袭传奇"。

目前的人工智能领域就像一个充满秘密的黑箱。大家都知道ChatGPT、Claude这些明星模型很厉害，但究竟是怎么训练出来的，却鲜有人知。商业公司出于竞争考虑严守秘密，学术机构虽然愿意分享，但往往缺乏足够的计算资源进行大规模实验。这就造成了一个尴尬局面：有资源的不愿说，愿意说的没资源。

daVinci-LLM项目恰好填补了这个空白。研究团队既拥有工业级的计算能力，又秉承完全开放的学术精神，就像一位既有钱又大方的朋友，愿意把自己的成功经验毫无保留地分享给大家。他们不仅公布了最终训练出的模型，还把整个训练过程、数据处理流程、失败的尝试都一五一十地展示出来，让这个领域的研究者们能够站在巨人的肩膀上继续前行。

更令人兴奋的是，这项研究建立了一套完整的数据处理分类体系，叫做"数据达尔文主义框架"。这个框架就像给数据质量建立了一套标准化的等级制度，从最基础的数据收集到最高级的智能合成，一共分为10个层次。通过这套体系，研究者们终于可以科学地比较不同数据的质量高低，而不再是凭感觉做判断。

最有趣的是，研究团队发现了一个颠覆性的结论：数据的处理深度比数据的数量更重要。就好比做菜时，用心挑选和精心烹制少量优质食材，往往比随便处理大量普通食材做出的菜更美味。他们的3B参数模型正是靠着这种"精工细作"的数据处理策略，才能以小博大，在性能上媲美那些参数量更大的模型。

一、预训练的秘密花园终于向世人打开大门

要理解这项研究的重要性，我们得先明白预训练在人工智能发展中的关键地位。如果把训练一个大语言模型比作培养一个博学的学者，那么预训练就像是这个学者接受基础教育的过程。在这个阶段，模型需要从海量的文本中学习语言的基本规律、世界知识和推理能力。这个阶段的质量直接决定了模型的"天花板"——无论后期如何调优，都很难超越预训练阶段奠定的基础能力。

然而，预训练一直是整个人工智能领域最神秘的环节。主要原因在于它需要巨大的计算资源投入。训练一个大语言模型就像建造一座摩天大楼，需要数以千万计的算力成本，普通研究机构根本负担不起。而那些有能力进行大规模预训练的公司，出于商业考虑，往往对训练过程的细节守口如瓶。这就形成了一个奇怪的现象：大家都知道预训练很重要，但几乎没有人真正了解其中的门道。

研究团队敏锐地察觉到了这个问题的严重性。如果预训练的知识一直掌握在少数大公司手中，整个学术界就无法对这一关键技术进行深入研究和改进。这不仅阻碍了科学进步，也让整个人工智能的发展变得不够透明和可预测。

为了打破这种局面，研究团队决定采用完全开放的策略。他们不仅公开了训练好的模型权重，还将整个训练过程的每一个细节都记录下来，包括数据是如何收集和处理的、训练过程中遇到了哪些问题、不同策略的效果如何等等。这就像一位经验丰富的大厨，不仅请你品尝他做的菜，还把整个烹饪过程都展示给你看，包括失败的尝试和成功的窍门。

这种极度透明的做法在学术界引起了轰动。因为这意味着其他研究者终于可以基于真实的、大规模的预训练数据来验证自己的想法，而不是只能在小规模实验上纸上谈兵。这为整个预训练研究领域注入了新的活力，也为后续的研究奠定了坚实的基础。

二、数据达尔文主义——给数据质量建立科学标准

在过去，评判训练数据的质量主要靠经验和直觉，就像品酒师品酒一样，很大程度上依赖个人的感觉和经验。但这种方式存在明显的问题：不同人的判断标准不一致，而且很难量化比较。研究团队意识到，要想让预训练变得更科学，首先需要建立一套标准化的数据质量评估体系。

于是，他们提出了"数据达尔文主义"这个概念。这个名字很有意思——就像达尔文的进化论描述了生物从简单到复杂的进化过程一样，数据达尔文主义描述了数据处理从基础到高级的"进化"历程。这套框架将数据处理分为10个层次，从L0到L9，每个层次都有明确的定义和标准。

L0层是最基础的数据获取阶段，就像采集原始矿石一样，从互联网、PDF文档、代码仓库等各种渠道收集原始数据。这个阶段的数据通常格式混乱、质量参差不齐，但覆盖面很广。L1层是格式标准化阶段，将各种格式的原始数据转换成统一的可处理格式，就像把不同形状的原料都切成统一的规格。

L2层开始进入质量控制阶段，使用规则化的方法去除明显的低质量内容，比如重复文本、乱码、过短的文档等。这就像用筛子过滤掉明显的杂质。L3层则升级到使用轻量级机器学习模型来评估内容质量，能够识别出一些规则难以发现的问题，比如教育价值低、主题不相关等。

真正的质的飞跃从L4层开始。在这个层次，研究团队开始使用大语言模型来主动改写和优化内容。这不再是简单的筛选，而是积极的改造。就像一位编辑不仅要挑出好文章，还要对文章进行润色和改写，使其更加清晰易懂。L4层的处理能够去除文档中的格式噪音、修复OCR错误、重新组织逻辑结构，但严格保持原始内容的语义不变。

L5层是一个更加高级的阶段——认知补全。这个层次针对的是专业文档中常见的问题：专家写给专家看的内容往往省略了很多中间步骤，对于学习者来说理解起来很困难。L5层的处理就像一位优秀的老师，能够识别出这些隐含的推理步骤，并将它们明确地表达出来，让内容变得更容易学习和理解。

L6到L9层代表了更高级的合成能力，包括结合外部知识进行内容扩展、构建可执行的验证环境、创建多智能体协作系统，甚至是构建完整的虚拟世界来生成训练数据。虽然这些高级层次目前还在探索阶段，但它们为数据处理的未来发展指明了方向。

这套分类体系的价值在于它为数据处理提供了科学的标准。就像化学元素周期表为化学研究提供了基础框架一样，数据达尔文主义为数据处理研究提供了统一的语言和标准。研究者们现在可以精确地描述自己使用的数据处理方法，比较不同方法的效果，并基于这些标准进行进一步的创新。

三、小而精的智慧——3B参数如何挑战7B巨头

daVinci-LLM的核心成果是一个仅有30亿参数的模型，但它的表现却能与70亿参数的顶级模型相提并论。这听起来似乎不可思议——就像一辆小排量汽车在赛道上跑过了大排量超跑。这背后的秘密就在于研究团队发现的一个重要规律：在模型训练中，数据处理的深度比数据的数量更重要。

传统的模型训练策略往往遵循"大力出奇迹"的逻辑，认为只要收集足够多的数据，模型性能就会相应提升。但研究团队的实验结果显示，这种思路存在明显的局限性。他们发现，与其花大量精力去收集更多的原始数据，不如把精力投入到提升现有数据的质量上。

具体来说，他们采用了一个两阶段的训练策略。第一阶段被称为"通用基础预训练"，使用6万亿个token的数据来建立模型的基础能力。这个阶段就像给学生打基础，需要接触各种类型的知识，建立对世界的基本认知。但有趣的是，研究团队发现不同类型的能力发展速度是不同的——通用知识类的能力很快就会饱和，而推理类的能力则需要更长时间才能充分发展。

基于这个发现，他们在训练过程中动态调整了数据配比。当发现通用知识类任务的性能开始平稳时，就减少相应数据的比例，增加代码和科学类数据的比例，让模型的注意力更多地集中在仍有提升空间的能力上。这种策略就像一位聪明的教练，能够根据运动员的不同能力发展情况，动态调整训练重点。

第二阶段被称为"推理能力增强训练"，使用2万亿个token的数据，重点强化模型的推理能力。这个阶段的关键创新在于大量引入了结构化的问答数据。这些问答数据不是简单的知识问答，而是需要多步推理才能解决的复杂问题。通过这种训练，模型学会了如何将复杂问题分解成多个简单步骤，并逐步推导出答案。

更有趣的是，研究团队在第二阶段也采用了渐进式的策略。开始时使用30%的问答数据，保持各领域的平衡发展。等模型在这个配比下稳定发展后，再将问答数据的比例提升到70%，进行更加集中的推理能力训练。这种策略确保了模型在获得强大推理能力的同时，不会忘记之前学到的基础知识。

结果证明，这种精心设计的训练策略非常有效。daVinci-LLM-3B在数学推理任务上的表现尤其出色，在MATH基准测试中得分62.8，远超同等规模的其他模型，甚至在某些任务上超过了参数量更大的模型。这证明了"小而精"的策略确实可行——通过精心的数据处理和训练策略设计，较小的模型也能达到令人印象深刻的性能。

四、训练过程的精妙平衡术

模型训练过程中最大的挑战之一，是如何在不同能力之间保持平衡。就像培养一个全面发展的学生一样，既要保证各科成绩都不落下，又要在某些重点科目上有所突破。研究团队通过大量实验发现，不同类型的能力在训练过程中表现出截然不同的发展规律。

通用知识类能力就像背诵类科目，在训练初期提升很快，但很容易达到饱和。研究团队观察到，这类能力通常在1万亿token的训练后就开始平稳，继续增加这类数据的训练效果有限。相比之下，代码和科学推理类能力更像理科科目，需要长时间的反复练习才能熟练掌握，在4万亿token的训练后仍有明显提升。

基于这个发现，研究团队开发了一种"自适应课程设计"策略。他们持续监控模型在各类任务上的表现，当某类能力的提升速度开始放缓时，就相应减少该类数据的比例，将更多的训练资源分配给仍有提升空间的能力。这种动态调整就像一位经验丰富的教练，能够根据运动员的训练状态及时调整训练计划。

但这种调整必须非常小心，因为过度偏向某一类能力可能导致其他能力的退化。研究团队发现，保持一定的数据多样性是必不可少的。即使某类能力已经相对成熟，也不能完全停止相关训练，否则可能出现"灾难性遗忘"现象——就像一个人长期不说某种语言就会变得生疏一样。

在第二阶段的训练中，这种平衡变得更加复杂。引入大量的问答数据确实能够显著提升模型的推理能力，但如果比例过高，可能会让模型过度适应问答格式，在其他类型的任务上表现下降。研究团队通过精心的实验设计找到了最佳的平衡点：先用30%的问答数据建立基础，再逐步提升到70%进行强化训练。

这种渐进式的方法很像学习乐器的过程。刚开始时需要各种基础练习来打好基础，等基础扎实了，再专门练习某些高难度的曲目。通过这种方式，模型既能获得强大的专项能力，又不会失去已有的综合能力。

研究团队还发现，不同类型数据之间存在有趣的协同效应。代码数据能够帮助模型学习逻辑推理，科学数据能够提升抽象思维能力，而问答数据则能训练模型的表达和组织能力。这些能力相互促进，共同提升模型的整体智能水平。这就像体育训练中的交叉训练，不同类型的练习能够综合提升运动员的整体素质。

五、数据质量的炼金术

研究团队最重要的发现之一，是数据处理深度对模型性能的巨大影响。他们通过对照实验证明，将数据从L2层次（基础过滤）提升到L4层次（生成式精炼）或L5层次（认知补全），能够带来显著的性能提升，效果往往比简单增加数据量更好。

以数学数据为例，研究团队将原始的数学文本通过L4处理，使用先进的语言模型去除格式噪音、修复OCR错误、重新组织逻辑结构。这个过程就像请一位优秀的编辑对文章进行精心修改——内容的核心信息保持不变，但表达变得更加清晰准确。实验结果显示，这种处理让模型在MATH基准测试上的得分提升了7分，这是一个相当显著的改进。

L5层次的认知补全处理更加有趣。研究团队发现，很多科学文献都是专家写给专家看的，其中省略了大量的中间推理步骤。对于学习者来说，这些隐含的逻辑跳跃就像缺失的桥梁，让理解变得困难。L5处理就像一位博学的老师，能够识别出这些缺失的步骤，并将它们明确地表达出来。

举个具体例子，原始文本可能写着"显然，根据牛顿第二定律可得..."但对于学习者来说，这个"显然"一点也不显然。L5处理会将这段内容扩展为："我们要解决这个问题，首先需要分析物体受到的力。根据牛顿第二定律F=ma，我们知道力等于质量乘以加速度。在这个情况下..."这种处理让内容变得更容易理解和学习。

更有趣的是，研究团队还探索了L5层次的合成式问答生成。他们从科学文档中提取知识点，然后生成相应的问题和答案。这不是简单的信息提取，而是真正的知识重组和表达。生成的问答不仅覆盖了原文的关键信息，还通过问题的形式引导学习者思考，通过答案的形式提供完整的推理过程。

这种合成数据的质量非常高，因为它们是基于真实的专业知识生成的，同时又针对学习需求进行了优化。实验证明，这种合成的问答数据在训练效果上甚至超过了一些原始的高质量数据。这就像一位名师不仅知识渊博，还能根据学生的特点设计最适合的教学内容。

研究团队的实验还揭示了一个重要规律：数据处理的边际收益递减效应。从L0到L3的处理提升相对容易实现，成本也较低。但从L3到L5的提升需要大量的计算资源，特别是需要使用先进的大语言模型来处理数据。这就像炼金术一样，越往后的步骤越复杂，但得到的"黄金"质量也越高。

这个发现对整个行业都有重要意义。它表明，在计算资源有限的情况下，与其盲目追求更大规模的数据收集，不如将资源投入到提升数据质量上。这种策略不仅更经济高效，而且往往能获得更好的效果。

六、评估方法的深度思考

在模型评估方面，研究团队也有重要发现。他们注意到，不同的评估方法可能给出不同的结果，这对理解模型真实能力有重要影响。

传统的评估方法主要分为两种：困惑度评估和生成式评估。困惑度评估就像选择题考试，模型需要从几个选项中选择最可能的答案。这种方法更像是测试模型的"认知"能力——它是否知道正确答案。生成式评估则像开放题考试，模型需要自己组织语言生成完整的答案。这种方法更像是测试模型的"表达"能力——它是否能够清楚地表达自己的想法。

研究团队发现，在一些任务上，这两种评估方法给出的排名可能完全不同。比如在MMLU测试中，某个模型在困惑度评估中表现一般，但在生成式评估中却表现出色。这说明这个模型虽然在多选题上不够精准，但在需要组织语言表达观点时却很有优势。

这种差异特别体现在那些训练过程中大量使用问答数据的模型上。这些模型由于经过了专门的问答格式训练，在需要生成完整回答的任务上通常表现更好。这就像一个学生虽然选择题做得一般，但作文写得很好——说明他的知识掌握程度可能比选择题成绩显示的更好。

这个发现提醒我们，单一的评估指标可能无法全面反映模型的真实能力。不同的应用场景可能需要不同类型的能力，因此在评估时也应该采用多样化的方法。如果你的应用主要需要模型进行对话交互，那么生成式评估的结果可能更有参考价值。如果你的应用主要需要模型进行信息检索和判断，那么困惑度评估可能更相关。

研究团队还发现，模型在不同领域的能力发展并不均衡。通用知识类任务很容易达到饱和，而推理类任务则有更大的提升空间。这意味着在设计训练策略时，需要根据目标应用的特点来调整重点。如果你的目标是开发一个通用对话模型，那么保持各类能力的平衡很重要。如果你的目标是开发一个专业推理工具，那么可能需要更多地投入到推理能力的训练上。

七、开放科学的新范式

daVinci-LLM项目最令人敬佩的地方，或许是它对开放科学的坚持。在一个商业化日趋激烈的AI领域，研究团队选择了完全透明的路线。他们不仅公开了成功的结果，还详细记录了200多个失败的尝试，这种做法在学术界极其罕见。

这种开放性的价值是巨大的。在传统的研究模式下，失败的实验通常不会被发表，这导致其他研究者可能会重复同样的错误，造成资源浪费。而daVinci-LLM项目通过公开所有实验结果，为整个社区提供了宝贵的"避坑指南"。其他研究者可以直接基于这些经验开展工作，避免不必要的重复试错。

更重要的是，这种透明度让预训练从"艺术"变成了"科学"。过去，预训练更像是一门手艺，很大程度上依赖经验和直觉。不同的团队各有各的秘诀，但这些秘诀往往无法传承和复制。而daVinci-LLM项目通过系统性的实验和详细的文档，将这些经验转化为可复制、可验证的科学知识。

研究团队还建立了一套完整的实验框架和评估体系。其他研究者可以使用同样的框架来测试自己的想法，这大大提高了不同研究之间的可比性。这就像建立了一套标准化的实验室设备和操作流程，让不同实验室的结果可以相互验证和比较。

这种开放科学的模式对整个AI领域的发展意义重大。它打破了知识垄断，让更多的研究者能够参与到前沿研究中来。同时，它也提高了研究的效率和质量，因为每个人都可以基于前人的经验进行创新，而不是从零开始摸索。

研究团队还特别注意了数据的版权和隐私问题。他们只使用了公开可获得的数据源，并对数据进行了去重和清洗，确保不会侵犯任何人的权益。这种负责任的态度为其他研究者树立了良好的榜样。

八、未来展望与影响

daVinci-LLM项目的影响远不止于一个优秀模型的诞生，它更重要的贡献在于为整个预训练领域建立了新的标准和范式。数据达尔文主义框架已经被越来越多的研究者采用，成为了数据质量评估的通用语言。

这项研究也证明了"小而精"策略的可行性，这对资源有限的研究机构和公司具有重要意义。不是每个组织都能负担得起训练千亿参数模型的成本，但通过精心的数据处理和训练策略，他们仍然可以在特定领域获得出色的性能。这为AI技术的民主化开辟了新的道路。

从技术发展的角度看，这项研究揭示了数据质量在AI系统中的核心地位。随着计算资源变得越来越便宜，数据质量可能会成为决定AI系统性能的关键因素。这意味着未来的AI竞争可能更多地体现在数据处理和课程设计的精细化程度上，而不是简单的规模竞赛。

对于普通用户来说，这项研究的成果也具有直接价值。更高质量的基础模型意味着更好的AI应用体验——无论是聊天机器人、代码助手还是写作工具，都会变得更加智能和实用。而且由于这些技术是开源的，用户可以期待看到更多创新的应用出现。

对于教育和学习领域，这项研究也有重要启示。数据达尔文主义框架中的认知补全概念，实际上为个性化教育提供了新的思路。通过AI技术，我们可以将专业知识转化为更易理解的形式，让学习变得更加高效。

说到底，daVinci-LLM项目最大的价值在于它展示了科学研究的正确态度：开放、严谨、系统。在一个充满炒作和封闭的技术领域，这种态度显得尤为珍贵。它提醒我们，真正的技术进步不是靠保密和垄断，而是靠开放合作和知识共享。正如牛顿所说的那样，我们都是站在巨人肩膀上的人。只有当每个人都愿意成为别人的"巨人"时，整个领域才能真正繁荣发展。

这项研究为AI预训练领域树立了新的标杆，不仅在技术上有所突破，更在研究方法和开放态度上给整个学术界树立了榜样。未来的AI发展很可能会沿着这个方向继续前进——更加注重数据质量，更加重视科学方法，更加坚持开放合作。

Q&A

Q1：daVinci-LLM是什么，它有什么特别之处？

A：daVinci-LLM是由上海人工智能实验室、上海交通大学和通用人工智能研究院联合开发的大语言模型。它的特别之处在于仅使用30亿参数就能媲美70亿参数模型的性能，并且研究团队完全公开了训练过程，包括数据处理方法、训练策略和200多个实验结果，这在商业化的AI领域极其罕见。

Q2：数据达尔文主义框架是什么概念？

A：数据达尔文主义是研究团队提出的数据质量分类体系，将数据处理分为L0到L9共10个层次。从最基础的数据收集，到规则过滤、模型筛选，再到生成式精炼和认知补全，每个层次都有明确标准。这套框架让数据质量评估从凭感觉变成了科学的、可量化的过程。

Q3：为什么小参数模型能够挑战大参数模型？

A：关键在于数据处理的深度比数量更重要。研究团队发现，通过精心的数据质量提升和智能的训练策略设计，小模型也能获得出色性能。他们使用了两阶段训练策略，动态调整数据配比，并大量使用高质量的问答数据来强化推理能力，最终让3B参数的模型在多项测试中媲美7B参数的顶级模型。